基于Logistic回歸的股價(jià)上漲概率預(yù)測(cè)研究

王文軒　蔡偉宏

[摘? 要]將Logistic回歸應(yīng)用在多因子模型時(shí)，模型可利用反映股票漲跌信息的因子與股票收益率的歷史數(shù)據(jù)實(shí)現(xiàn)Logistic回歸對(duì)未來(lái)股價(jià)上漲概率的預(yù)測(cè)。實(shí)證分析結(jié)果顯示，2012—2018年間運(yùn)用Logistic回歸篩選出的大概率上漲的股票組合可獲得較高的平均收益率、勝率和夏普比率，Logistic回歸在滬深市場(chǎng)上可成功發(fā)揮其對(duì)股價(jià)上漲概率的預(yù)測(cè)功能。

[關(guān)鍵詞]Logistic回歸;多因子選股;股票價(jià)格

1? 引言

作為證券投資學(xué)中的重點(diǎn)研究問題，股票價(jià)格預(yù)測(cè)對(duì)幫助投資者做出理性投資決策及推動(dòng)我國(guó)金融市場(chǎng)穩(wěn)定發(fā)展有著重要意義。21世紀(jì)初，Logistic回歸模型在統(tǒng)計(jì)學(xué)和金融學(xué)領(lǐng)域的應(yīng)用逐漸被引起重視，如Hulisi and Ramazan（2009）發(fā)現(xiàn)Logistic回歸可用于判別股票價(jià)格有無(wú)人為干預(yù);張德鴻（2016）提出以通貨膨脹指數(shù)等作為宏觀經(jīng)濟(jì)指標(biāo)，運(yùn)用Logistic回歸模型可預(yù)警系統(tǒng)性金融危機(jī);邵志高（2017）探究了以收入異動(dòng)預(yù)測(cè)未來(lái)股票高收益概率的Logistic回歸模型應(yīng)用方法。利用Logistic回歸的預(yù)測(cè)功能，文章提出基于Logistic回歸的多因子選股模型在滬深市場(chǎng)上的應(yīng)用方法，并利用歷史數(shù)據(jù)回測(cè)驗(yàn)證其有效性。

2 ?模型構(gòu)建

套利定價(jià)理論作為線性多因子模型的理論基礎(chǔ)，假設(shè)風(fēng)險(xiǎn)資產(chǎn)均衡收益與多個(gè)因素之間呈線性映射關(guān)系。若使風(fēng)險(xiǎn)資產(chǎn)均衡收益與多個(gè)因子之間呈現(xiàn)“Sigmoid”函數(shù)的非線性映射關(guān)系，便可得到基于Logistic回歸的多因子選股模型。

Logistic回歸模型屬于廣義線性回歸模型，與其他廣義線性回歸模型不同的是，Logistic回歸模型的因變量是二分類或多分類的。文章實(shí)證研究使用季度數(shù)據(jù)，當(dāng)個(gè)股i次季度收益率大于滬深300指數(shù)次季度收益率時(shí)，記響應(yīng)變量=1;當(dāng)個(gè)股i次季度收益率小于滬深300指數(shù)次季度收益率時(shí)，記響應(yīng)變量=0。由于因變量在每次觀測(cè)中服從兩點(diǎn)分布，我們便構(gòu)造了=1和=0的二分變量矩陣。設(shè)概率函數(shù)表示在一次試驗(yàn)中事件發(fā)生的概率（），即次季度個(gè)股i收益率大于次季度滬深300指數(shù)收益率事件發(fā)生的概率，構(gòu)造Logistic回歸方程：

3? 實(shí)證分析

3.1 樣本數(shù)據(jù)處理

文章選取2012年第一季度至2018年第二季度，共計(jì)26個(gè)季度的市盈率（PE）、營(yíng)業(yè)收入增長(zhǎng)率（ir_MBR）、凈資產(chǎn)收益率增長(zhǎng)率（ir_ROE）、凈利潤(rùn)增長(zhǎng)率（ir_NP）和資產(chǎn)負(fù)債率（DA）作為反映股票漲跌信息的因子，選取滬深300指數(shù)收益率作為業(yè)績(jī)基準(zhǔn)，并采用滬深300指數(shù)成分股的個(gè)股的指標(biāo)作為模型構(gòu)建的指標(biāo)。為使模型具備對(duì)次季度收益率的預(yù)測(cè)作用，樣本數(shù)據(jù)中季度收益率數(shù)據(jù)要比因子指標(biāo)數(shù)據(jù)滯后一期，即研究當(dāng)期成分股收益率與上期成分股因子指標(biāo)的相關(guān)性關(guān)系，樣本數(shù)據(jù)來(lái)源為RESSET銳思數(shù)據(jù)庫(kù)。

剔除數(shù)據(jù)缺失嚴(yán)重及2012年之后上市的股票，剔除ST股票，進(jìn)行股票樣本處理后，本文將從含有259只股票的股票池樣本數(shù)據(jù)中選取股票構(gòu)建投資組合。

3.2 模型應(yīng)用

根據(jù)條件概率結(jié)果，通過Logistic回歸求得中的各個(gè)自變量的回歸系數(shù)，然后將各季度每支個(gè)股的因子值代入概率公式，即可求得每支個(gè)股次季度跑贏滬深300指數(shù)的概率。

3.3 策略回測(cè)

經(jīng)過ROC曲線檢驗(yàn)，上述回歸均有較好的擬合優(yōu)度。將2012年第一季度至2018年第二季度的每個(gè)成分股的解釋變量代入公式，即可得到各季度中各股票的個(gè)股次季度收益率大于滬深300指數(shù)季度收益率事件發(fā)生的概率。通過對(duì)每個(gè)季度成分股的次季度收益率跑贏滬深300指數(shù)次季度收益率的概率值由高至低進(jìn)行降序排序，選取概率最高的10只股票在下個(gè)季度初等權(quán)重買入，構(gòu)建投資組合。因?yàn)闃?gòu)建模型時(shí)所用的季度收益率滯后于因子指標(biāo)一個(gè)季度，所以回測(cè)時(shí)間段為2012年第二季度初至2018年第三季度末。

本文在模型回測(cè)時(shí)將收益率數(shù)據(jù)分為兩組：Logistic預(yù)測(cè)組和被動(dòng)指數(shù)組。在Logistic預(yù)測(cè)組中，在2012年第一季度末第一次買入投資組合，至2018年第二季度末最后一次買入投資組合，權(quán)重配比方法為等權(quán)重地在26個(gè)季度中不間斷投資;在被動(dòng)指數(shù)組中，被動(dòng)地投資滬深300指數(shù)基金，不進(jìn)行選股。

相對(duì)于被動(dòng)指數(shù)組的策略收益波動(dòng)率12.84%，Logistic預(yù)測(cè)組的策略收益波動(dòng)率高達(dá)19.56%，表明基于Logistic回歸的多因子選股策略需要承擔(dān)的風(fēng)險(xiǎn)相對(duì)較大，收益不如被動(dòng)指數(shù)組穩(wěn)定。雖然Logistic預(yù)測(cè)組的收益波動(dòng)較大，但是其勝率在兩組中表現(xiàn)較好，達(dá)到了80.77%，說(shuō)明大部分季度中Logistic預(yù)測(cè)組都成功構(gòu)建了正收益的投資組合。Logistic預(yù)測(cè)組的平均季度收益率11.35%大于被動(dòng)指數(shù)組的平均季度收益率2.09%，Logistic預(yù)測(cè)組能得到相對(duì)滬深300指數(shù)較高的平均收益。最后，Logistic預(yù)測(cè)組28.57%的收益回撤比率和0.58的夏普比率遠(yuǎn)高于被動(dòng)指數(shù)組，表明Logistic預(yù)測(cè)組在承擔(dān)每單位風(fēng)險(xiǎn)的同時(shí)可以取得較高的股價(jià)上漲帶來(lái)的收益。

4? 結(jié)論

文章提出了Logistic回歸在多因子模型中發(fā)揮其股價(jià)上漲概率預(yù)測(cè)功能的應(yīng)用方法。利用Logistic回歸能夠起到預(yù)測(cè)作用的特性，文章通過對(duì)次季度259只成分股個(gè)股收益率大于次季度滬深300指數(shù)收益率的概率排序，構(gòu)建了每個(gè)季度的投資組合。實(shí)證結(jié)果表明，應(yīng)用Logistic回歸模型的預(yù)測(cè)功能進(jìn)行回歸法量化選股時(shí)，雖然在投資過程中收益率波動(dòng)較大，但是相對(duì)地可以獲得在承擔(dān)每單位風(fēng)險(xiǎn)下的較高的超額收益，Logistic回歸在滬深市場(chǎng)上可成功發(fā)揮其對(duì)股價(jià)上漲概率的預(yù)測(cè)功能。

參考文獻(xiàn)：

[1]張德鴻.基于Logistic回歸的系統(tǒng)性金融風(fēng)險(xiǎn)研究[J].重慶理工大學(xué)學(xué)報(bào)，2016（3）：137-146.

[2]邵志高.基于二元logistic回歸模型的收入異動(dòng)影響未來(lái)股票收益研究[J].湖南科技大學(xué)學(xué)報(bào)，2017（5）：103-111.

[3]劉輝，黃建山.中國(guó)A股市場(chǎng)股票收益率風(fēng)險(xiǎn)因素分析：基于Fama-French三因素模型[J].當(dāng)代經(jīng)濟(jì)科學(xué)，2013，35（4）：27-31，125.

[4]HAN J， MORAG C.The influence of the sigmoid function parameters on the speed of backpropagation learning[J].Lecture Notes in Computer Science，1995：195-201.

[5]HULISI， RAMAZAN. Detecting stock-price manipulation in an emerging market： the case of Turkey[J].Expert systems with applications，2009，36（9）：11944-11949.

[6]FAMAAND M. Risk， return， and equilibrium：empirical tests[J]. Journal of Political Economy，1973（81）：607-636.

[作者簡(jiǎn)介]王文軒（1997—），男，黑龍江哈爾濱人，本科，研究方向：金融市場(chǎng);蔡偉宏（1975—），男，福建福清人，博士，副教授，研究方向：金融市場(chǎng)。